Tác động của AI trong hoạt động marketing cá nhân hóa đến hành vi mua hàng trực tuyến của người tiêu dùng trên địa bàn TP. Hồ Chí Minh

ThS. Nguyễn Trần Bảo Yến

Khoa Quản trị kinh doanh, Trường Đại học Mở Thành phố Hồ Chí Minh

Email: yen.ntb@ou.edu.vn

Tóm tắt

Nghiên cứu xác định tác động của trí tuệ nhân tạo (AI) trong marketing cá nhân hóa đến hành vi mua hàng trực tuyến của người tiêu dùng tại TP. Hồ Chí Minh. Dữ liệu từ 373 phiếu khảo sát hợp lệ được xử lý bằng SPSS 26 qua Cronbach’s Alpha, EFA, tương quan Pearson và hồi quy tuyến tính bội. Kết quả cho thấy năm yếu tố: độ chính xác gợi ý sản phẩm, mức độ phù hợp nội dung, cá nhân hóa thời gian thực, chất lượng tương tác AI và khuyến mãi cá nhân hóa đều tác động tích cực đến hành vi mua hàng trực tuyến, giải thích 52,8% biến thiên của biến phụ thuộc, trong đó cá nhân hóa thời gian thực có ảnh hưởng mạnh nhất. Kết quả là cơ sở giúp doanh nghiệp hoàn thiện chiến lược marketing cá nhân hóa ứng dụng AI.

Từ khóa: Trí tuệ nhân tạo, hành vi mua hàng trực tuyến, marketing cá nhân hóa.

Abstract

This study examines the impact of artificial intelligence (AI) in personalized marketing on consumers’ online purchase behavior in Ho Chi Minh City. Data from 373 valid survey responses were analyzed using SPSS 26 through Cronbach’s Alpha, EFA, Pearson correlation, and multiple linear regression. Results show that five factors, recommendation accuracy, content relevance, real-time personalization, AI interaction quality, and personalized promotions, positively affect online purchase behavior, explaining 52.8% of its variance, with real-time personalization having the strongest impact. The findings provide a basis for businesses to refine AI-based personalized marketing strategies.

Keywords: Artificial intelligence, online purchase behavior, personalized marketing.

GIỚI THIỆU

Sự phát triển mạnh mẽ của trí tuệ nhân tạo (AI) đang thay đổi sâu sắc cách doanh nghiệp tiếp cận khách hàng trên các nền tảng thương mại điện tử. Thay vì marketing đại trà, AI cho phép phân tích dữ liệu hành vi, sở thích của từng cá nhân để tạo ra gợi ý sản phẩm, nội dung và ưu đãi được cá nhân hóa theo thời gian thực (Pagala et al., 2024). Marketing cá nhân hóa ứng dụng AI vì vậy được xem là xu hướng then chốt giúp nâng cao trải nghiệm khách hàng và thúc đẩy quyết định mua hàng trực tuyến (Alsaffarini & Awwad, 2026).

Tại TP. Hồ Chí Minh, thị trường thương mại điện tử phát triển nhanh với sự cạnh tranh ngày càng gay gắt giữa các sàn như Shopee, Lazada, Tiki, TikTok Shop. Các nền tảng liên tục đầu tư vào hệ thống gợi ý AI, nội dung quảng cáo cá nhân hóa và chatbot nhằm gia tăng chuyển đổi mua hàng. Tuy nhiên, hiệu quả thực sự của các yếu tố AI này đối với hành vi mua hàng trực tuyến vẫn cần được kiểm chứng bằng dữ liệu thực nghiệm.

Từ đó, nghiên cứu “Tác động của trí tuệ nhân tạo (AI) trong hoạt động marketing cá nhân hóa đến hành vi mua hàng trực tuyến của người tiêu dùng trên địa bàn TP. Hồ Chí Minh” được thực hiện nhằm xây dựng và kiểm định mô hình các yếu tố này, làm cơ sở đề xuất khuyến nghị cho doanh nghiệp.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Khái niệm marketing cá nhân hóa ứng dụng AI: Marketing cá nhân hóa là quá trình doanh nghiệp sử dụng dữ liệu hành vi, sở thích và lịch sử giao dịch của từng khách hàng để xây dựng nội dung, gợi ý và ưu đãi phù hợp với riêng từng cá nhân, thay vì áp dụng cách tiếp cận đại trà. AI đóng vai trò là công nghệ nền tảng giúp tự động hóa và nâng cao độ chính xác của quá trình này thông qua phân tích dữ liệu lớn theo thời gian thực (Pagala và cộng sự., 2024; Alsaffarini & Awwad, 2026).

Các yếu tố ảnh hưởng đến hành vi mua hàng trực tuyến trong môi trường AI: Trên nền tảng các lý thuyết TPB (Ajzen, 1991), TAM (Davis, 1989) và S-O-R (Mehrabian và Russell, 1974), nhiều nghiên cứu thực nghiệm đã chỉ ra các thành phần cụ thể của AI trong marketing cá nhân hóa tác động đến hành vi mua hàng, bao gồm độ chính xác của gợi ý sản phẩm (Reshma, 2026; Rolando, 2025; Zhao và cộng sự., 2025), mức độ phù hợp của nội dung cá nhân hóa (Khan & Hassan, 2025), khả năng cá nhân hóa theo thời gian thực (Matharu và cộng sự., 2024), chất lượng tương tác với AI qua chatbot/trợ lý ảo (Armutcu, 2026; Mani và cộng sự., 2025; Puertas và cộng sự., 2024), và khuyến mãi/ưu đãi cá nhân hóa (Changchien và cộng sự., 2004).

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng. Dữ liệu được thu thập thông qua khảo sát bằng bảng hỏi sử dụng thang đo Likert 5 mức độ (từ 1 - Hoàn toàn không đồng ý đến 5 - Hoàn toàn đồng ý), được xây dựng và kế thừa từ các nghiên cứu liên quan đến AI trong marketing cá nhân hóa và hành vi mua hàng trực tuyến (Pagala và cộng sự., 2024; Reshma, 2026; Khan & Hassan, 2025; Matharu và cộng sự., 2024; Armutcu, 2026; Changchien và cộng sự., 2004).

Đối tượng khảo sát là người tiêu dùng đã từng mua sắm trực tuyến trên các sàn thương mại điện tử (Shopee, Lazada, Tiki, TikTok Shop...) hoặc website bán hàng trực tuyến trong vòng 6 tháng gần nhất, đang sinh sống hoặc làm việc trên địa bàn TP. Hồ Chí Minh.

Mẫu khảo sát được chọn theo phương pháp thuận tiện. Sau khi sàng lọc các phiếu không đạt điều kiện và phiếu trả lời không hợp lệ, nghiên cứu thu được 373 phiếu khảo sát hợp lệ, đảm bảo kích thước mẫu phù hợp cho phân tích nhân tố khám phá và hồi quy đa biến.

Dữ liệu sau khi thu thập được xử lý bằng phần mềm SPSS 26. Các bước phân tích bao gồm: Kiểm định độ tin cậy thang đo bằng hệ số Cronbach’s Alpha; Phân tích nhân tố khám phá (EFA); Phân tích tương quan Pearson; Phân tích hồi quy tuyến tính bội.

Mô hình nghiên cứu và giả thuyết nghiên cứu

Dựa trên các lý thuyết TPB (Ajzen, 1991), TAM (Davis, 1989), S-O-R (Mehrabian & Russell, 1974) và các nghiên cứu liên quan, mô hình đề xuất (Hình) gồm 5 yếu tố độc lập: Độ chính xác gợi ý sản phẩm (CX), Mức độ phù hợp nội dung (PH), Cá nhân hóa thời gian thực (TG), Chất lượng tương tác AI (CL), Khuyến mãi cá nhân hóa (KM), tác động đến Hành vi mua hàng trực tuyến (HV), với các giả thuyết H1-H5 tương ứng đều mang dấu kỳ vọng tích cực (CX, PH, TG, CL, KM → HV).

Hình 1: Mô hình nghiên cứu

Nguồn: Đề xuất của tác giả

Mối quan hệ giữa các yếu tố được thể hiện qua các giả thuyết nghiên cứu sau:

H1: Độ chính xác của gợi ý sản phẩm cá nhân hóa bằng AI có ảnh hưởng tích cực đến hành vi mua hàng trực tuyến.

H2: Mức độ phù hợp của nội dung marketing cá nhân hóa có ảnh hưởng tích cực đến hành vi mua hàng trực tuyến.

H3: Cá nhân hóa theo thời gian thực có ảnh hưởng tích cực đến hành vi mua hàng trực tuyến.

H4: Chất lượng tương tác với AI có ảnh hưởng tích cực đến hành vi mua hàng trực tuyến.

H5: Khuyến mãi/ưu đãi cá nhân hóa bằng AI có ảnh hưởng tích cực đến hành vi mua hàng trực tuyến.

KẾT QUẢ VÀ THẢO LUẬN

Kết quả nghiên cứu

Thống kê mô tả mẫu khảo sát

Bảng 1: Đặc điểm nhân khẩu học của đối tượng khảo sát

Nguồn: Kết quả khảo sát và xử lý SPSS, N = 373

Mẫu khảo sát có tỷ lệ nam, nữ khá cân đối; tập trung ở nhóm 18-25 tuổi (39,9%), trình độ đại học (55,8%) và nhân viên văn phòng (48,0%), thu nhập phổ biến 10-20 triệu đồng/tháng (32,2%). Phần lớn mua sắm trực tuyến 2-6 lần/tháng (59,5%), cho thấy mẫu có đủ trải nghiệm để đánh giá khách quan tác động của AI trong marketing cá nhân hóa.

Kiểm định độ tin cậy thang đo

Kiểm định độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha nhằm loại trừ các biến quan sát có hệ số tương quan biến - tổng nhỏ hơn 0,3.

Thang đo “Độ chính xác của gợi ý sản phẩm” (CX) được đo lường bởi 4 biến quan sát, có hệ số Cronbach’s Alpha là 0,797 > 0,6. Các hệ số tương quan biến - tổng đều lớn hơn 0,3 và không có biến nào khi loại bỏ làm tăng hệ số Cronbach’s Alpha chung, do đó cả 4 biến được giữ lại.

Thang đo “Mức độ phù hợp của nội dung marketing cá nhân hóa” (PH) ban đầu gồm 5 biến quan sát, có hệ số Cronbach’s Alpha là 0,743 > 0,6, các hệ số tương quan biến - tổng đều lớn hơn 0,3 nên cả 5 biến đều đạt yêu cầu ở bước này và được tiếp tục đưa vào phân tích EFA.

Thang đo “Cá nhân hóa theo thời gian thực” (TG) ban đầu gồm 5 biến quan sát, có hệ số Cronbach’s Alpha là 0,746 > 0,6, các hệ số tương quan biến - tổng đều lớn hơn 0,3 nên cả 5 biến được giữ lại để tiếp tục kiểm định ở bước EFA.

Thang đo “Chất lượng tương tác với AI” (CL) được đo lường bởi 5 biến quan sát, có hệ số Cronbach’s Alpha là 0,794 > 0,6. Tất cả các hệ số tương quan biến - tổng đều lớn hơn 0,3 nên cả 5 biến quan sát đều được giữ lại cho phân tích EFA.

Thang đo “Khuyến mãi/ưu đãi cá nhân hóa bằng AI” (KM) ban đầu gồm 4 biến quan sát, có hệ số Cronbach’s Alpha là 0,514 < 0,6, trong đó biến KM4 có hệ số tương quan biến - tổng chỉ đạt 0,063 < 0,3. Do đó, biến KM4 bị loại khỏi thang đo. Sau khi loại KM4, thang đo KM còn lại 3 biến (KM1, KM2, KM3) có hệ số Cronbach’s Alpha tăng lên 0,656 > 0,6, đạt yêu cầu để tiếp tục phân tích.

Thang đo “Hành vi mua hàng trực tuyến” (HV) được đo lường bởi 5 biến quan sát, có hệ số Cronbach’s Alpha là 0,844 > 0,6. Các hệ số tương quan biến - tổng đều lớn hơn 0,3 nên cả 5 biến quan sát đạt độ tin cậy cao và được giữ lại cho các bước kiểm định tiếp theo.

Phân tích nhân tố khám phá EFA

Bảng 2: Kết quả kiểm định KMO và Bartlett (biến độc lập)

Nguồn: Kết quả xử lý SPSS

Giá trị KMO = 0,757 (> 0,5) cho thấy dữ liệu phù hợp để thực hiện phân tích EFA. Kiểm định Bartlett có Sig. = 0,000 < 0,05, chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể. Quá trình phân tích EFA cho thấy hai biến PH3 và TG5 có hệ số tải nhân tố nhỏ hơn 0,5 nên bị loại khỏi mô hình. Sau khi loại hai biến này, 20 biến quan sát còn lại được trích thành 5 nhân tố, với tổng phương sai trích đạt 47,98% (> 40%), đảm bảo các nhân tố trích được giải thích một phần đáng kể biến thiên của dữ liệu.

Bảng 3: Kết quả phân tích EFA thang đo biến độc lập (sau khi loại PH3, TG5)

Nguồn: Kết quả xử lý SPSS

Kết quả ma trận xoay nhân tố cho thấy các biến quan sát đều hội tụ rõ ràng về đúng 5 nhân tố như đề xuất ban đầu (CL, CX, PH, TG, KM), với hệ số tải nhân tố của tất cả các biến đều lớn hơn 0,5, đảm bảo giá trị hội tụ và giá trị phân biệt của thang đo.

Đối với biến phụ thuộc “Hành vi mua hàng trực tuyến” (HV), kết quả phân tích EFA cho hệ số KMO = 0,869 (> 0,5) và kiểm định Bartlett có Sig. = 0,000 < 0,05. Cả 5 biến quan sát hội tụ thành một nhân tố duy nhất với hệ số tải đều lớn hơn 0,65, tổng phương sai trích đạt 53,95%, cho thấy thang đo HV đạt giá trị hội tụ tốt.

Để kiểm tra hiện tượng sai lệch phương pháp chung (common method bias), nghiên cứu thực hiện kiểm định một nhân tố của Harman bằng cách đưa toàn bộ 27 biến quan sát (cả độc lập và phụ thuộc) vào một phân tích nhân tố duy nhất. Kết quả cho thấy nhân tố đầu tiên chỉ giải thích được 16,95% tổng phương sai, thấp hơn nhiều so với ngưỡng 50%, cho thấy dữ liệu nghiên cứu không bị ảnh hưởng đáng kể bởi sai lệch phương pháp chung.

Phân tích tương quan

Bảng 4: Ma trận hệ số tương quan Pearson

Nguồn: Kết quả xử lý SPSS

Kết quả phân tích tương quan Pearson cho thấy cả 5 biến độc lập đều có mối tương quan dương và có ý nghĩa thống kê (Sig. = 0,000 < 0,01) với biến phụ thuộc Hành vi mua hàng trực tuyến. Hệ số tương quan dao động từ 0,304 đến 0,353, trong đó Cá nhân hóa theo thời gian thực (r = 0,353) và Độ chính xác của gợi ý sản phẩm (r = 0,347) có mức tương quan cao nhất với hành vi mua hàng trực tuyến. Đồng thời, hệ số tương quan giữa các biến độc lập với nhau đều rất thấp (dưới 0,1), cho thấy không có dấu hiệu đa cộng tuyến nghiêm trọng giữa các biến độc lập, đảm bảo điều kiện để thực hiện phân tích hồi quy tuyến tính bội.

Phân tích hồi quy tuyến tính bội

Bảng 5: Tóm tắt mô hình hồi quy

Nguồn: Kết quả xử lý SPSS

Giá trị R = 0,731 và R² hiệu chỉnh = 0,528 cho thấy mô hình hồi quy giải thích được khoảng 52,8% sự biến thiên của hành vi mua hàng trực tuyến bởi năm yếu tố AI trong marketing cá nhân hóa, cho thấy mức độ phù hợp khá cao của mô hình. Hệ số Durbin-Watson = 2,117, gần bằng 2, cho thấy không có hiện tượng tự tương quan giữa các phần dư. Kết quả kiểm định ANOVA cho giá trị F = 84,314 với Sig. = 0,000 < 0,05, khẳng định mô hình hồi quy phù hợp với dữ liệu thực tế và có thể suy rộng cho tổng thể.

Bảng 6: Kết quả hồi quy tuyến tính bội

Nguồn: Kết quả xử lý SPSS

Kết quả hồi quy cho thấy cả 5 yếu tố đều có hệ số Beta dương và Sig. < 0,05, nghĩa là chúng đều ảnh hưởng tích cực và có ý nghĩa thống kê đến hành vi mua hàng trực tuyến. Theo mức độ tác động giảm dần: Cá nhân hóa theo thời gian thực (β = 0,336) có ảnh hưởng mạnh nhất, tiếp theo là Độ chính xác của gợi ý sản phẩm (β = 0,324), Khuyến mãi/ưu đãi cá nhân hóa (β = 0,317), Mức độ phù hợp của nội dung marketing (β = 0,308) và Chất lượng tương tác với AI (β = 0,289). Toàn bộ hệ số VIF đều xấp xỉ 1 (nhỏ hơn 2), chứng tỏ không xảy ra hiện tượng đa cộng tuyến. Như vậy, mô hình hồi quy hoàn toàn đáng tin cậy và các giả thuyết H1 - H5 đều được chấp nhận.

Thảo luận kết quả nghiên cứu

Kết quả phân tích hồi quy tuyến tính bội cho thấy cả 5 yếu tố AI trong marketing cá nhân hóa đều có tác động tích cực và có ý nghĩa thống kê đến hành vi mua hàng trực tuyến của người tiêu dùng tại TP. Hồ Chí Minh, qua đó khẳng định các giả thuyết H1 - H5 đều được chấp nhận.

Cá nhân hóa theo thời gian thực (β = 0,336) là yếu tố có ảnh hưởng mạnh nhất đến hành vi mua hàng trực tuyến. Kết quả này cho thấy người tiêu dùng đánh giá cao khả năng của hệ thống AI trong việc cập nhật gợi ý sản phẩm và nội dung quảng cáo ngay khi hành vi tìm kiếm hoặc mua sắm của họ thay đổi. Việc nhận được nội dung phù hợp đúng thời điểm giúp nâng cao trải nghiệm mua sắm và thúc đẩy quyết định mua hàng nhanh hơn. Kết quả này tương đồng với nhận định của Matharu và cộng sự. (2024) về vai trò của cá nhân hóa thời gian thực trong việc gia tăng hiệu quả marketing nội dung trên các nền tảng thương mại điện tử.

Độ chính xác của gợi ý sản phẩm cá nhân hóa bằng AI (β = 0,324) có tác động mạnh thứ hai. Khi các sản phẩm được AI gợi ý phản ánh đúng nhu cầu và sở thích của người tiêu dùng, họ có xu hướng tin tưởng và lựa chọn sản phẩm được đề xuất nhiều hơn, từ đó rút ngắn quá trình tìm kiếm và ra quyết định mua hàng. Kết quả này phù hợp với các nghiên cứu của Reshma (2026) và Rolando (2025), đều khẳng định độ chính xác của hệ thống gợi ý là yếu tố then chốt ảnh hưởng đến quyết định mua hàng trong thương mại điện tử, cũng như quan điểm của Zhao và cộng sự. (2025) về vai trò của gợi ý cá nhân hóa đối với ý định mua hàng.

Khuyến mãi/ưu đãi cá nhân hóa bằng AI (β = 0,317) cũng có ảnh hưởng đáng kể đến hành vi mua hàng trực tuyến. Khi các chương trình ưu đãi được thiết kế phù hợp với đặc điểm và lịch sử mua sắm của từng khách hàng, người tiêu dùng có xu hướng quan tâm và sử dụng nhiều hơn, qua đó tác động trực tiếp đến quyết định mua hàng. Kết quả này phù hợp với quan điểm của Changchien và cộng sự. (2004), cho rằng khuyến mãi trực tuyến được cá nhân hóa mang lại hiệu quả cao hơn so với các hình thức khuyến mãi đại trà truyền thống.

Mức độ phù hợp của nội dung marketing cá nhân hóa (β = 0,308) có ảnh hưởng tích cực đến hành vi mua hàng trực tuyến. Khi nội dung quảng cáo và thông tin sản phẩm được cá nhân hóa sát với nhu cầu thực tế, người tiêu dùng cảm thấy được quan tâm và dễ dàng tìm thấy sản phẩm mong muốn hơn, từ đó gia tăng khả năng mua hàng. Phát hiện này phù hợp với nghiên cứu của Khan và Hassan (2025), nhấn mạnh vai trò trung gian của sự tin tưởng và cảm nhận mức độ liên quan trong việc chuyển hóa nội dung cá nhân hóa thành ý định mua hàng.

Chất lượng tương tác với AI (β = 0,289) có tác động thấp hơn các yếu tố còn lại nhưng vẫn mang ý nghĩa tích cực. Khi chatbot và trợ lý ảo cung cấp thông tin rõ ràng, phản hồi nhanh và giải đáp hiệu quả các thắc mắc, người tiêu dùng có xu hướng tin tưởng hơn vào nền tảng mua sắm và sẵn sàng thực hiện giao dịch. Kết quả này tương đồng với nghiên cứu của Armutcu (2026) và Mani và cộng sự. (2025), cũng như phát hiện của Puertas và cộng sự. (2024) về vai trò của trải nghiệm tương tác với AI trong việc củng cố ý định mua hàng trực tuyến.

KẾT LUẬN VÀ KHUYẾN NGHỊ

Kết quả nghiên cứu khẳng định năm yếu tố AI trong marketing cá nhân hóa, cá nhân hóa thời gian thực, độ chính xác gợi ý sản phẩm, khuyến mãi cá nhân hóa, mức độ phù hợp nội dung và chất lượng tương tác AI, đều tác động tích cực đến hành vi mua hàng trực tuyến, giải thích 52,8% biến thiên của biến phụ thuộc, trong đó cá nhân hóa thời gian thực có ảnh hưởng mạnh nhất.

Trên cơ sở đó, doanh nghiệp thương mại điện tử tại TP. Hồ Chí Minh nên: (1) đầu tư hệ thống cá nhân hóa cập nhật theo thời gian thực; (2) nâng cao độ chính xác của thuật toán gợi ý sản phẩm; (3) thiết kế khuyến mãi cá nhân hóa theo phân khúc khách hàng; (4) tối ưu nội dung marketing phù hợp với từng nhóm đối tượng; và (5) cải thiện chất lượng chatbot/trợ lý ảo nhằm nâng cao niềm tin và trải nghiệm mua sắm trực tuyến.

Tài liệu tham khảo:

1. Ajzen, I. (1991). The theory of planned behavior. Organizational behavior and human decision processes, 50(2), 179-211.

2. Alsaffarini, E., & Awwad, B. S. (2026). Artificial Intelligence in Sustainable Marketing: How AI Personalization Impacts Consumer Purchase Decisions. Sustainability, 18(2), 1123.

3. Armutcu, B. (2026). The effects of AI-powered chatbot communication quality on consumer purchase intention: the mediating role of brand elements and consumer-brand relationships. Journal of Enterprise Information Management, 1-29.

4. Changchien, S. W., Lee, C. F., & Hsu, Y. J. (2004). On-line personalized sales promotion in electronic commerce. Expert Systems with Applications, 27(1), 35-52.

5. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, 13(3), 319-340.

6. Khan, R., & Hassan, H. (2025). The impact of AI-driven personalization on online purchase intentions: The mediating roles of consumer trust and perceived relevance. Journal of Management & Social Science, 2(4), 126-141.

7. Mani, S., Tiwari, P., Ramchandani, S., Acharya, P. S., & Irudayaraj, V. D. (2025). From clicks to conversions: How AI shapes consumer trust, experience, and online buying behaviour. Advances in Consumer Research, 2, 5028-5035.

8. Matharu, H., Pasha, Z., Aarif, M., Natrayan, L., Kaliappan, S., & Raj, I. I. (2024, June). Developing an AI-driven personalization engine for real-time content marketing in e-commerce platforms. In 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT) (pp. 1-6). IEEE.

9. Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology. the MIT Press.

10. Pagala, I., Asir, M., Mere, K., Lestari, U., & Siddiqa, H. (2024). Consumer behavior in the age of AI: The role of personalized marketing and data analytics in shaping purchase decisions. Dinasti International Journal of Education Management and Social Science, 5, 1898-1907.

11. Puertas, S. M., Manzano, M. D. I., López, C. S., & Ribeiro-Cardoso, P. (2024). Purchase intentions in a chatbot environment: An examination of the effects of customer experience. Oeconomia Copernicana, 15(1), 145-194.

12. Reshma, S. (2026). Role of AI recommendation on consumer behavior. International Journal of Advanced Research in Science Communication and Technology.

13. Rolando, B. (2025). The impact of artificial intelligence-based recommendation systems on consumer purchase decisions in e-commerce. AIRA (Artificial Intelligence Research and Applied Learning), 4(2), 14-38.

14. Zhao, L., Fu, B., & Bai, S. (2025). Understanding the influence of personalized recommendation on purchase intentions from a self-determination perspective: contingent upon product categories. Journal of Theoretical and Applied Electronic Commerce Research, 20(1), 32.